网上赌博游戏犯法吗-哪里网上赌博合法_网上百家乐游戏玩法_全讯网600cc (中国)·官方网站

本發(fā)明涉及一種四氧化三鈷納米線陣列、其制備方法以及作為鋰離子電池負(fù)極的用途。該四氧化三鈷納米線陣列，其形貌為菱形結(jié)構(gòu)，菱形的邊長為100nm~500nm，菱形內(nèi)角的銳角為30°~60°，陣列長度為5μm~20μm。本發(fā)明還提供了制備該四氧化三鈷納米線陣列的方法，以一定摩爾比的鈷鹽、化學(xué)結(jié)合劑、堿性反應(yīng)物和水在常溫下進(jìn)行混合攪拌，將混合均勻的溶液移入反應(yīng)釜中，并將干凈的襯底置于溶液中進(jìn)行水熱反應(yīng)后取出沖洗，再在惰性氣氛中熱處理，得到四氧化三鈷納米線陣列。本發(fā)明的四氧化三鈷納米線陣列可直接作為鋰離子電池負(fù)極，能明顯提高電池的比容量和循環(huán)性能，放電容量高達(dá)1000mAh/g以上，是一種理想的鋰離子電池電極材料。

微衛(wèi)星不穩(wěn)定性（Microsatellite Instability, 簡稱MSI）是目前腫瘤臨床檢測中一種非常重要的分子表型，多發(fā)生于結(jié)直腸癌、胃癌、和子宮內(nèi)膜癌。微衛(wèi)星不穩(wěn)定性與腫瘤的發(fā)生、發(fā)展，治療方案制定及治療效果預(yù)測相關(guān)，更是腫瘤免疫治療療效預(yù)測的重要分子標(biāo)記物。當(dāng)前，臨床上使用的兩種微衛(wèi)星不穩(wěn)定性檢測的金標(biāo)準(zhǔn)方法：MSI-PCR和MSI-IHC，都需要專業(yè)技術(shù)人員通過實(shí)驗(yàn)操作來完成，均費(fèi)時(shí)費(fèi)力且成本較高。近年來，隨著高通量測序（Next Generation Sequencing）的發(fā)展，基于高通量測序的微衛(wèi)星不穩(wěn)定性檢測方法開始顯露頭角，在檢測結(jié)果與兩種臨床金標(biāo)準(zhǔn)保持高度一致的情況下，極大的縮減了檢測時(shí)間并減少了檢測成本，大幅提高了推廣微衛(wèi)星不穩(wěn)定性檢測的可行性。2014年，西安交大葉凱教授團(tuán)隊(duì)率先開發(fā)了基于高通量測序的微衛(wèi)星不穩(wěn)定性檢測方案——MSIsensor。2017年該檢測方案作為全世界首個(gè)泛腫瘤檢測方案MSK-IMPACT中的微衛(wèi)星不穩(wěn)定性計(jì)算方法，通過了美國食品藥品監(jiān)督管理局的嚴(yán)格測試并獲得批準(zhǔn)。美國紀(jì)念斯隆凱特琳癌癥中心測試表明，基于高通量測序的微衛(wèi)星不穩(wěn)定性檢測與金標(biāo)準(zhǔn)的一致性可達(dá)99.4%。然而，微衛(wèi)星不穩(wěn)定性檢測方案大都要求提供病人的癌癥組織樣本及一份取自血液或者癌癥組織附近的正常樣本。一方面，這一份正常對照樣本限制了微衛(wèi)星不穩(wěn)定性的應(yīng)用場景，尤其難以應(yīng)用于血癌樣本、福爾馬林包埋樣本、PDX/PDO等不易獲得正常對照樣本的情況；另一方面，額外的對照樣本增加了微衛(wèi)星不穩(wěn)定性的檢測成本。基于上述原因，在葉凱指導(dǎo)下，葉凱青年科學(xué)家工作室科研人員經(jīng)過兩年的探索，從微衛(wèi)星不穩(wěn)定性發(fā)生機(jī)理出發(fā)，通過數(shù)學(xué)模型抽象，從單個(gè)腫瘤樣本中提取特征，開發(fā)了MSIsensor-pro。MSIsensor-pro實(shí)現(xiàn)不依賴正常對照樣本的微衛(wèi)星不穩(wěn)定性檢測，只需50個(gè)微衛(wèi)星位點(diǎn)的測序數(shù)據(jù)即可實(shí)現(xiàn)微衛(wèi)星不穩(wěn)定性的精準(zhǔn)檢測。MSIsensor-pro的開發(fā)擴(kuò)大了微衛(wèi)星不穩(wěn)定性的應(yīng)用范圍，減低了微衛(wèi)星不穩(wěn)定性檢測的成本。同時(shí)MSIsensor-pro在低腫瘤純度和低測序深度這類低信噪比數(shù)據(jù)中也顯示出來很大的潛力。 該研究成果近期發(fā)表在國際組學(xué)和生物信息學(xué)領(lǐng)域權(quán)威期刊《基因組蛋白質(zhì)組與生物信息學(xué)報(bào)》（影響因子6.597）上。葉凱的博士生賈鵬為該論文的第一作者，葉凱為通訊作者，西安交通大學(xué)為本文唯一通訊作者單位。這是葉凱教授課題組在基因組暗物質(zhì)解析方面的又一重要突破。論文鏈接為：https://www.sciencedirect.com/science/article/pii/S1672022920300218

本發(fā)明公開了一種超疏水涂料的制備方法及其所得涂料和制備高透明超疏水涂層的應(yīng)用，所述超疏水涂料的制備方法包括如下步驟：向容器中一次性加入一定體積的溶劑，共溶劑，催化劑，然后以一定轉(zhuǎn)速攪拌一段時(shí)間，再向其中先后加入一定體積的硅酸酯和含氟硅氧烷，在室溫的條件下，繼續(xù)反應(yīng)一定時(shí)間，即得所述涂料。本發(fā)明所制備的超疏水涂料可以通過噴涂、蘸涂、浸涂等方法，用于玻璃，紙片，鋼鐵等不同的基底上，所制備的涂層在可見光的范圍內(nèi)，透過率達(dá)到92％以上。與現(xiàn)有技術(shù)相比，不僅所制備的涂層制備方法簡單，成本低廉，有利于大規(guī)模工業(yè)化生產(chǎn)，所制備的涂層具有多種用途，如車窗玻璃，摩天大樓光幕，手機(jī)和電腦屏幕等，有很大的商業(yè)價(jià)值。

本發(fā)明公開了一種基于多核處理器的高速印花機(jī)圖像數(shù)據(jù)旋轉(zhuǎn)處理系統(tǒng)，包括數(shù)據(jù)接收設(shè)備、數(shù)據(jù)解析處理設(shè)備、數(shù)據(jù)傳輸通道和數(shù)據(jù)輸出設(shè)備。本發(fā)明還公開了一種基于多核處理器的高速印花機(jī)圖像數(shù)據(jù)旋轉(zhuǎn)處理方法，其通過以太網(wǎng)接口接收數(shù)據(jù)，利用處理器的多個(gè)核并行處理數(shù)據(jù)，由FPGA實(shí)現(xiàn)數(shù)據(jù)的輸出。相比現(xiàn)有技術(shù)，本發(fā)明系統(tǒng)及方法能夠大大提高數(shù)據(jù)的旋轉(zhuǎn)效率以及吞吐量，從而實(shí)現(xiàn)數(shù)碼印花機(jī)的高效能產(chǎn)出。

本發(fā)明公開了一種基于多核處理器的高速印花機(jī)圖像數(shù)據(jù)旋轉(zhuǎn)處理系統(tǒng)，包括數(shù)據(jù)接收設(shè)備、數(shù)據(jù)解析處理設(shè)備、數(shù)據(jù)傳輸通道和數(shù)據(jù)輸出設(shè)備。本發(fā)明還公開了一種基于多核處理器的高速印花機(jī)圖像數(shù)據(jù)旋轉(zhuǎn)處理方法，其通過以太網(wǎng)接口接收數(shù)據(jù)，利用處理器的多個(gè)核并行處理數(shù)據(jù)，由FPGA實(shí)現(xiàn)數(shù)據(jù)的輸出。相比現(xiàn)有技術(shù)，本發(fā)明系統(tǒng)及方法能夠大大提高數(shù)據(jù)的旋轉(zhuǎn)效率以及吞吐量，從而實(shí)現(xiàn)數(shù)碼印花機(jī)的高效能產(chǎn)出。

導(dǎo)讀東北電力大學(xué)和長春理工大學(xué)研究團(tuán)隊(duì)開發(fā)并實(shí)現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法，以對運(yùn)動想象(MI)任務(wù)進(jìn)行分類。ESI技術(shù)采用邊界元法(BEM)和加權(quán)最小范數(shù)估計(jì)(WMNE)分別解決EEG的正向和逆向問題。然后在運(yùn)動皮層中創(chuàng)建十個(gè)scout來選擇感興趣的區(qū)域(ROI)。研究者使用Morlet小波方法從scout的時(shí)間序列中提取特征。最后，使用CNN對MI任務(wù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果:在Physionet數(shù)據(jù)庫上的整體平均準(zhǔn)確率達(dá)到94.5%，分別對左拳頭、右拳頭、雙拳和雙腳的單個(gè)準(zhǔn)確率達(dá)到95.3%、93.3%、93.6%、96%，采用十倍交叉驗(yàn)證進(jìn)行驗(yàn)證。研究人員表示，他們的研究成果與最先進(jìn)的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者為驗(yàn)證方法的有效性，加入了4個(gè)新的受試者進(jìn)行驗(yàn)證，發(fā)現(xiàn)總體平均準(zhǔn)確率為92.5%。此外，全局分類器適應(yīng)單一對象，整體平均準(zhǔn)確率提高到94.54%。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。系統(tǒng)框架圖1 系統(tǒng)框架圖系統(tǒng)框架如圖1所示。原始數(shù)據(jù)來自國際10-10系統(tǒng)的64個(gè)電極(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10電極)，并以每秒160個(gè)樣本的速度采集。根據(jù)國際10-10系統(tǒng)從64個(gè)通道采集原始腦電圖，并使用BCI2000系統(tǒng)進(jìn)行記錄。記錄的數(shù)據(jù)被分為四個(gè)獨(dú)立MI任務(wù)包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執(zhí)行運(yùn)動想象時(shí)在alpha和beta中不同，因此使用FIR濾波器對EEG進(jìn)行了8 Hz至30 Hz的帶通濾波。然后，通過計(jì)算包含正問題和逆問題的源，將傳感器空間的活動轉(zhuǎn)化為源空間的活動。接下來，創(chuàng)建scout并提取特征。研究者在運(yùn)動皮層中創(chuàng)建了10個(gè)scout，因?yàn)槲覀冎魂P(guān)心與運(yùn)動相關(guān)的活動。十個(gè)scout中的每一個(gè)都代表了可用源空間中的一個(gè)感興趣的區(qū)域(ROI)，并且是定義在皮層表面或頭部體積上的偶極子的子集。左腦的scout稱為L1、L2、L3、L4、L5，右腦的scout稱為R1、R2、R3、R4、R5。利用JTFA從10個(gè)scout的源時(shí)間序列中提取特征。最后，利用CNN對時(shí)頻圖進(jìn)行分離并進(jìn)行分類。實(shí)驗(yàn)在實(shí)驗(yàn)中，研究人員僅使用了隨機(jī)選擇的十個(gè)受試者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。這里用于分析的數(shù)據(jù)集包含每個(gè)受試者84次試驗(yàn)，每一類包含21次試驗(yàn)。在記錄64通道腦電圖時(shí)，受試者執(zhí)行了不同的運(yùn)動想象任務(wù)。每個(gè)受試者針對以下四個(gè)任務(wù)中的每一個(gè)執(zhí)行了3輪21試驗(yàn)：當(dāng)目標(biāo)出現(xiàn)在屏幕左側(cè)時(shí)，受試者想象打開和合上相應(yīng)的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕的右側(cè)時(shí)，受試者想象打開和合上相應(yīng)的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕頂部時(shí)，受試者想象打開和合上雙手的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕底部時(shí)，目標(biāo)會想象雙腳張開和合攏，直到目標(biāo)消失。然后受試者放松。為了統(tǒng)一數(shù)據(jù)維數(shù)，研究者選擇了4s的數(shù)據(jù)，因?yàn)槊看蜗胂笕蝿?wù)的執(zhí)行時(shí)間都在4s左右。此外，腦電圖任務(wù)是分開的，研究人員在實(shí)驗(yàn)中將左拳，右拳，雙拳和雙腳MI任務(wù)分別稱為T1，T2，T3和T4。圖2 scout命名左右運(yùn)動想象的scout分別命名為L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如圖2所示。10個(gè)scout每一個(gè)都被擴(kuò)展到40個(gè)頂點(diǎn)，每個(gè)頂點(diǎn)只有一個(gè)源。L1區(qū)域?qū)?yīng)40個(gè)信號，其他scout也一樣。在計(jì)算了來源后，研究者在運(yùn)動皮層中創(chuàng)建了十個(gè)scout，如圖3所示。圖3 創(chuàng)建10個(gè)scout使用ESI計(jì)算十個(gè)受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗(yàn)的四個(gè)任務(wù)(T1、T2、T3、T4)的源。對于這四項(xiàng)任務(wù)中的每一項(xiàng)，每個(gè)受試者每次都要進(jìn)行7次測試(#1，#2，#3，#4，#5，#6，#7)。展示了第一個(gè)步的10個(gè)被試的10個(gè)scout的4項(xiàng)任務(wù)的來源。然后提取10個(gè)scout的時(shí)間序列進(jìn)行進(jìn)一步分析。特征提取在計(jì)算源之后，研究人員在運(yùn)動皮層中創(chuàng)建了包含40個(gè)源的10個(gè)scout，并提取了scout的時(shí)間序列。如圖4所示為提取R5 scout時(shí)間序列作為示例。圖的右邊顯示了R5 scout的時(shí)間序列。本文利用小波變換從scout時(shí)間序列中提取特征。圖4 提取R5 scout時(shí)間序列作為示例在這項(xiàng)研究中，研究者提出利用CNN來解決運(yùn)動想象任務(wù)分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構(gòu)，該網(wǎng)絡(luò)模型由一個(gè)六層卷積網(wǎng)絡(luò)組成，其中兩個(gè)最大池層和三個(gè)全連接層，如圖5所示。圖5對于Physionet數(shù)據(jù)庫，研究者首先采用Deep ConvNet架構(gòu)，包括四個(gè)卷積層、四個(gè)最大池層和一個(gè)全連接層。在實(shí)驗(yàn)中，研究者依據(jù)經(jīng)驗(yàn)使用兩個(gè)最大池化層。并嘗試了不同數(shù)量的卷積層和完全連接層。時(shí)頻圖利用Morlet小波方法得到了scout的特征。對于每個(gè)任務(wù)，R5 scout的時(shí)頻圖如圖6所示。包含時(shí)間和頻率互補(bǔ)的時(shí)頻分析方法提供了時(shí)域和頻域的聯(lián)合分布信息，清晰地描述了信號頻率與時(shí)間的關(guān)系。圖6 R5 scout的時(shí)頻圖顯然，只有部分時(shí)頻映射是紅色的，表明每個(gè)任務(wù)只對特定的頻率和時(shí)間敏感。由于圖的數(shù)量比較大，研究者使用CNN來選擇和學(xué)習(xí)這些圖中最基本的特征。研究人員隨機(jī)選擇了幾個(gè)樣本，并將一些特征圖可視化，作為MI任務(wù)的學(xué)習(xí)表示，如圖7所示。圖7為了獲得有效的結(jié)果，將數(shù)據(jù)集分為90％作為訓(xùn)練集，其余10％作為測試集。首先，將十個(gè)受試者的數(shù)據(jù)集（總共19320個(gè)樣本）分為17388個(gè)樣本以訓(xùn)練所提出的CNN模型，以及1932個(gè)樣本以驗(yàn)證模型的有效性。在實(shí)驗(yàn)中，研究者還選擇了另外四個(gè)受試者的數(shù)據(jù)集以增加數(shù)據(jù)集的規(guī)模(27048個(gè)樣本)，其中24343個(gè)樣本是訓(xùn)練集，其他樣本是測試集。在選定的scout上對所提出的CNN架構(gòu)進(jìn)行了十次訓(xùn)練和測試，以驗(yàn)證所提出模型的魯棒性。圖8(a)顯示了10個(gè)scout中每個(gè)的全局平均精度。圖8 統(tǒng)計(jì)結(jié)果R5的全局平均精度最高，達(dá)到94.5%，而L2的全局平均精度最低，為91.3%。對應(yīng)L1、L3、L4、L5、R1、R2、R3、R4的整體準(zhǔn)確率分別為92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的總體精度均在91%以上，標(biāo)準(zhǔn)差均在0.20%以下。圖8(b)顯示了十個(gè)scout中每個(gè)scout四個(gè)MI任務(wù)的組級統(tǒng)計(jì)結(jié)果及其標(biāo)準(zhǔn)差。一般來說，R5表現(xiàn)的要比其他的好，而L2在迭代2000中表現(xiàn)最差。標(biāo)準(zhǔn)差較小，說明這些精度更接近平均值且穩(wěn)定。圖9 統(tǒng)計(jì)結(jié)果圖9(a)顯示了帶有標(biāo)準(zhǔn)差的混淆矩陣，說明了group level分類結(jié)果。T1、T2、T3和T4的全局平均精度峰值分別為95.3%、93.3%、93.6%和96.0%。R5 scout的四個(gè)MI任務(wù)中的每一個(gè)都如圖9(b)所示。通過改變訓(xùn)練集和測試集順序的10次試驗(yàn)，確定了scoutR5的性能，結(jié)果如圖10(a)和(b)所示。在10次試驗(yàn)中，scout R5的T1、T2、T3、T4的平均準(zhǔn)確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個(gè)任務(wù)中每一個(gè)的平均準(zhǔn)確率都超過了93%。全局平均準(zhǔn)確率為93.7%。10次試驗(yàn)結(jié)果表明，該方法對scout R5的分類效果較好。從以上結(jié)果可以清楚地看出，R5 scout在四種MI任務(wù)的分類中扮演著最重要的角色。因此，選擇R5對四個(gè)MI任務(wù)進(jìn)行分類。圖 10圖11. (a)是不同模型的全局平均準(zhǔn)確性的比較。可以發(fā)現(xiàn)，該研究提出的模型可以達(dá)到最大的精度。從圖11. (b)不同模型的ROC曲線可以看出提出的模型比其他模型表現(xiàn)更好。?不同模型T1上的精度比較。(d)不同模型T2的精度比較。(e)不同模型T3的精度比較。(f)不同型號T4的精度比較。圖11 不同模型的精度比較結(jié)論東北電力大學(xué)和長春理工大學(xué)研究團(tuán)隊(duì)開發(fā)并實(shí)現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法。該方法可以對運(yùn)動想象(MI)任務(wù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，他們的研究成果與最先進(jìn)的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者加入了4個(gè)新的受試者進(jìn)行驗(yàn)證來驗(yàn)證方法的有效性。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。論文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

本發(fā)明公開一種帶水合反應(yīng)器的復(fù)合吸收劑循環(huán)捕捉CO2的裝置及方法，該裝置包括煅燒?還原反應(yīng)器(1)、冷凝器(2)、水合反應(yīng)器(3)、空氣反應(yīng)器(4)、碳酸化反應(yīng)器(5)、換熱器(6)以及各部分之間的連接管道；該循環(huán)捕捉CO2的方法為：鈣銅基復(fù)合吸收劑中的Ca(OH)2和CaO與進(jìn)入碳酸化反應(yīng)器的煙氣反應(yīng)，捕捉CO2；固體產(chǎn)物在煅燒?還原反應(yīng)器中與通入其中的CH4反應(yīng)，產(chǎn)生高濃度CO2；部分反應(yīng)后的固體進(jìn)入水合反應(yīng)器改善孔隙結(jié)構(gòu)，增強(qiáng)反應(yīng)活性；活化后的復(fù)合吸收劑進(jìn)入空氣反應(yīng)器完成銅基載氧體的再生。本發(fā)明使用鈣循環(huán)耦合化學(xué)鏈工藝實(shí)現(xiàn)了低能耗捕捉煙氣中的CO2，同時(shí)借助水合反應(yīng)抑制吸收劑碳酸化性能衰退。

本發(fā)明公開了一種超臨界二氧化碳燃煤循環(huán)流化床鍋爐及發(fā)電系統(tǒng)與發(fā)電方法，鍋爐包括爐膛、分離器、尾部煙道和位于分離器回料段中的外置式換熱器，爐膛內(nèi)設(shè)有冷卻壁和中溫過熱器，外置式換熱器內(nèi)設(shè)有高溫再熱器和分別與冷卻壁和中溫過熱器連通的低溫過熱器，尾部煙道內(nèi)設(shè)有低溫再熱器、高溫過熱器、上級省煤器、下級省煤器和空氣預(yù)熱器，其中，高溫過熱器與中溫過熱器連通，低溫再熱器與高溫再熱器連通；鍋爐的工質(zhì)為超臨界二氧化碳。本發(fā)明鍋爐能有效控制冷卻壁壁溫，保證鍋爐安全可靠運(yùn)行且熱效率高；發(fā)電機(jī)組趨于小型化，具有更快的負(fù)荷響應(yīng)速度，深度調(diào)峰適應(yīng)性強(qiáng)，充分發(fā)揮煤炭資源優(yōu)勢，提高能源利用率，保障能源安全。

本發(fā)明公開了一種高靈敏的ZnO/AlN核鞘納米棒陣列紫外光探測器的制備方法，包括如下步驟：在藍(lán)寶石襯底上生長ZnO納米棒陣列；采用磁控濺射法在ZnO納米棒上濺射不同厚度的AlN鞘層薄膜；采用濺射法或者電子束蒸鍍分別在ZnO/AlN核鞘納米棒陣列兩端制備具有歐姆接觸的金屬電極，構(gòu)成完整的器件。本發(fā)明通過簡單的磁控濺射方法，控制濺射時(shí)間，在ZnO納米棒上生長不同厚度、表面光滑均一的AlN鞘層薄膜，制備的ZnO/AlN核鞘光探測器件不僅具有更好的紫外光響應(yīng)，在360nm紫外光照射下，電壓為5V時(shí)，明暗電流比為5.5×103，提高了一個(gè)數(shù)量級，同時(shí)具有更快速的響應(yīng)和恢復(fù)時(shí)間，分別是0.883和0.956s。

本發(fā)明公開了一種兼顧近場和遠(yuǎn)場性能的三維攝像聲納系統(tǒng)換能器陣列的稀疏優(yōu)化方法，包括以下步驟：根據(jù)三維攝像聲納系統(tǒng)中近場數(shù)字波束形成算法的類型，確定三維攝像聲納系統(tǒng)的聚焦距離誤差參數(shù)；利用聚焦距離誤差參數(shù)確定近場稀疏優(yōu)化能量函數(shù)；采用全局尋優(yōu)算法，求解使近場稀疏優(yōu)化能量函數(shù)達(dá)到最小的稀疏換能器陣列Q1；對Q1中開啟的換能器進(jìn)行二次稀疏優(yōu)化，求解使遠(yuǎn)場稀疏優(yōu)化能量函數(shù)達(dá)到最小的稀疏換能器陣列Q2；當(dāng)聲納系統(tǒng)工作在近場狀態(tài)時(shí)，使用Q1進(jìn)行聚焦波束形成；當(dāng)聲納系統(tǒng)工作在遠(yuǎn)場狀態(tài)時(shí)，使用Q2進(jìn)行遠(yuǎn)場波束形成。本發(fā)明能夠在有效降低系統(tǒng)硬件復(fù)雜度的同時(shí)，保證系統(tǒng)在不同探測距離下都具備穩(wěn)定的探測性能。